基于改进YOLOv5的无人机视觉目标检测

针对无人机视觉下图像背景复杂、目标过小导致的检测效果过差的问题,提出了一种基于YOLOv5的改进算法。首先,提出滤波分离特征提取(FSFE)结构,将滤波分离后的图像与原图像并行输入神经网络进行特征提取,加强了网络对全局和细节的重要信息的提取,将输出特征图进行空间自适应融合,防止了融合时的语义信息割裂的问题,并且使得网络能够更加关注关键层的信息。其次,增加小目标检测层,并利用了SPD卷积模块加强特征学习来提高检测性能。最后,在C3模块中镶嵌CA特征增强模块,在特征提取时挖掘并保存重要的语义信息。基于VisDrone2019数据集的实验结果表明,改进算法的mAP@0.5和mAP@0.5∶0.95分别提升了8.3和6.1个百分点,精确率和召回率分别提升了5.1和4.5个百分点,提升了小目标检测精度,同时减少了漏检、误检概率,对实现无人机视觉小目标检测有重要意义。